PaddlePaddle的基本數(shù)據(jù)格式

　　根據(jù)官網(wǎng)的資料，總結(jié)出PaddlePaddle支持多種不同的數(shù)據(jù)格式，包括四種數(shù)據(jù)類(lèi)型和三種序列格式：

四種數(shù)據(jù)類(lèi)型：

• dense_vector：稠密的浮點(diǎn)數(shù)向量。
• sparse_binary_vector：稀疏的二值向量，即大部分值為0，但有值的地方必須為1。
• sparse_float_vector：稀疏的向量，即大部分值為0，但有值的部分可以是任何浮點(diǎn)數(shù)。
• integer：整型格式

api如下：

• paddle.v2.data_type.dense_vector(dim, seq_type=0)

• • 說(shuō)明：稠密向量，輸入特征是一個(gè)稠密的浮點(diǎn)向量。舉個(gè)例子，手寫(xiě)數(shù)字識(shí)別里的輸入圖片是28*28的像素，Paddle的神經(jīng)網(wǎng)絡(luò)的輸入應(yīng)該是一個(gè)784維的稠密向量。
  • 參數(shù)：
    • dim(int) 向量維度
    • seq_type(int)輸入的序列格式
  • 返回類(lèi)型：InputType

• paddle.v2.data_type.sparse_binary_vector(dim, seq_type=0)

• • 說(shuō)明：稀疏的二值向量。輸入特征是一個(gè)稀疏向量，這個(gè)向量的每個(gè)元素要么是0,要么是1
  • 參數(shù)：同上
  • 返回類(lèi)型：同上

• paddle.v2.data_type.sparse_vector(dim, seq_type=0)
  • 說(shuō)明：稀疏向量，向量里大多數(shù)元素是0，其他的值可以是任意的浮點(diǎn)值
  • 參數(shù)：同上
  • 返回類(lèi)型：同上

• paddle.v2.data_type.integer_value(value_range, seq_type=0)

• • 說(shuō)明：整型格式
  • 參數(shù)：
    • seq_type(int)：輸入的序列格式
    • value_range(int)：每個(gè)元素的范圍
  • 返回類(lèi)型：InputType

三種序列格式：

• SequenceType.NO_SEQUENCE：不是一條序列
• SequenceType.SEQUENCE：是一條時(shí)間序列
• SequenceType.SUB_SEQUENCE： 是一條時(shí)間序列，且序列的每一個(gè)元素還是一個(gè)時(shí)間序列。

api如下：

• paddle.v2.data_type.dense_vector_sequence(dim, seq_type=0)

• • 說(shuō)明：稠密向量的序列格式
  • 參數(shù)：dim(int)：稠密向量的維度
  • 返回類(lèi)型：InputType

• paddle.v2.data_type.sparse_binary_vector_sequence(dim, seq_type=0)

• • 說(shuō)明：稀疏的二值向量序列。每個(gè)序列里的元素要么是0要么是1
  • 參數(shù)：dim(int)：稀疏向量的維度
  • 返回類(lèi)型：InputType
• paddle.v2.data_type.sparse_non_value_slot(dim, seq_type=0)

• • 說(shuō)明：稀疏的向量序列。每個(gè)序列里的元素要么是0要么是1
  • 參數(shù)：
    • dim(int)：稀疏向量的維度
    • seq_type(int)：輸入的序列格式
  • 返回類(lèi)型：InputType

• paddle.v2.data_type.sparse_value_slot(dim, seq_type=0)

• • 說(shuō)明：稀疏的向量序列，向量里大多數(shù)元素是0，其他的值可以是任意的浮點(diǎn)值
  • 參數(shù)：
    • dim(int)：稀疏向量的維度
    • • seq_type(int)：輸入的序列格式
  • 返回類(lèi)型：InputType

• paddle.v2.data_type.integer_value_sequence(value_range, seq_type=0)

  • 說(shuō)明：value_range(int)：每個(gè)元素的范圍

　　不同的數(shù)據(jù)類(lèi)型和序列模式返回的格式不同，如下表：

　　其中f表示浮點(diǎn)數(shù)，i表示整數(shù)

注意：對(duì)sparse_binary_vector和sparse_float_vector，PaddlePaddle存的是有值位置的索引。例如，

• 對(duì)一個(gè)5維非序列的稀疏01向量 [0, 1, 1, 0, 0] ，類(lèi)型是sparse_binary_vector，返回的是 [1, 2] 。(因?yàn)橹挥械?位和第2位有值)
• 對(duì)一個(gè)5維非序列的稀疏浮點(diǎn)向量 [0, 0.5, 0.7, 0, 0] ，類(lèi)型是sparse_float_vector，返回的是 [(1, 0.5), (2, 0.7)] 。（因?yàn)橹挥械谝晃缓偷诙挥兄?，分別是0.5和0.7）

PaddlePaddle的數(shù)據(jù)讀取方式

　　我們了解了上文的四種基本數(shù)據(jù)格式和三種序列模式后，在處理自己的數(shù)據(jù)時(shí)可以根據(jù)需求選擇，但是處理完數(shù)據(jù)后如何把數(shù)據(jù)放到模型里去訓(xùn)練呢？我們知道，基本的方法一般有兩種：

• 一次性加載到內(nèi)存：模型訓(xùn)練時(shí)直接從內(nèi)存中取數(shù)據(jù)，不需要大量的IO消耗，速度快，適合少量數(shù)據(jù)。
• 加載到磁盤(pán)/HDFS/共享存儲(chǔ)等：這樣不用占用內(nèi)存空間，在處理大量數(shù)據(jù)時(shí)一般采取這種方式，但是缺點(diǎn)是每次數(shù)據(jù)加載進(jìn)來(lái)也是一次IO的開(kāi)銷(xiāo)，非常影響速度。

　　在PaddlePaddle中我們可以有三種模式來(lái)讀取數(shù)據(jù)：分別是reader、reader creator和reader decorator,這三者有什么區(qū)別呢？

• reader：從本地、網(wǎng)絡(luò)、分布式文件系統(tǒng)HDFS等讀取數(shù)據(jù)，也可隨機(jī)生成數(shù)據(jù)，并返回一個(gè)或多個(gè)數(shù)據(jù)項(xiàng)。

• reader creator：一個(gè)返回reader的函數(shù)。

• reader decorator：裝飾器，可組合一個(gè)或多個(gè)reader。

　　reader

　　我們先以reader為例，為房?jī)r(jià)數(shù)據(jù)（斯坦福吳恩達(dá)的公開(kāi)課第一課舉例的數(shù)據(jù)）創(chuàng)建一個(gè)reader：

1. 創(chuàng)建一個(gè)reader，實(shí)質(zhì)上是一個(gè)迭代器，每次返回一條數(shù)據(jù)（此處以房?jī)r(jià)數(shù)據(jù)為例）

reader = paddle.dataset.uci_housing.train()

　　2. 創(chuàng)建一個(gè)shuffle_reader，把上一步的reader放進(jìn)去，配置buf_size就可以讀取buf_size大小的數(shù)據(jù)自動(dòng)做shuffle，讓數(shù)據(jù)打亂，隨機(jī)化

shuffle_reader = paddle.reader.shuffle(reader,buf_size= 100)

　　3.創(chuàng)建一個(gè)batch_reader，把上一步混洗好的shuffle_reader放進(jìn)去，給定batch_size，即可創(chuàng)建。

batch_reader = paddle.batch(shuffle_reader,batch_size = 2)

　　這三種方式也可以組合起來(lái)放一塊：

reader = paddle.batch(
    paddle.reader.shuffle(
        uci_housing.train(),
    buf_size = 100),
    batch_size=2)    

 　　可以以一個(gè)直觀的圖來(lái)表示：

　　從圖中可以看到，我們可以直接從原始數(shù)據(jù)集里拿去數(shù)據(jù)，用reader讀取，一條條灌倒shuffle_reader里，在本地隨機(jī)化，把數(shù)據(jù)打亂，做shuffle，然后把shuffle后的數(shù)據(jù)，一個(gè)batch一個(gè)batch的形式，批量的放到訓(xùn)練器里去進(jìn)行每一步的迭代和訓(xùn)練。 流程簡(jiǎn)單，而且只需要使用一行代碼即可實(shí)現(xiàn)整個(gè)過(guò)程。 

　　reader creator

　　如果想要生成一個(gè)簡(jiǎn)單的隨機(jī)數(shù)據(jù)，以reader creator為例：

def reader_creator():
    def reader():
        while True:
            yield numpy.random.uniform(-1,1,size=784)
    return reader

 　　源碼見(jiàn)creator.py, 支持四種格式：np_array，text_file，RecordIO和cloud_reader

reader decorator

　　如果想要讀取同時(shí)讀取兩部分的數(shù)據(jù)，那么可以定義兩個(gè)reader，合并后對(duì)其進(jìn)行shuffle。如我想讀取所有用戶(hù)對(duì)比車(chē)系的數(shù)據(jù)和瀏覽車(chē)系的數(shù)據(jù)，可以定義兩個(gè)reader，分別為contrast()和view()，然后通過(guò)預(yù)定義的reader decorator緩存并組合這些數(shù)據(jù)，在對(duì)合并后的數(shù)據(jù)進(jìn)行亂序操作。源碼見(jiàn)decorator.py

data = paddle.reader.shuffle(
        paddle.reader.compose(
            paddle.reader(contradt(contrast_path),buf_size = 100),
            paddle.reader(view(view_path),buf_size = 200),
            500)

　　這樣有一個(gè)很大的好處，就是組合特征來(lái)訓(xùn)練變得更容易了！傳統(tǒng)的跑模型的方法是，確定label和feature，盡可能多的找合適的feature扔到模型里去訓(xùn)練，這樣我們就需要做一張大表，訓(xùn)練完后我們可以分析某些特征的重要性然后重新增加或減少一些feature來(lái)進(jìn)行訓(xùn)練，這樣我們有需要對(duì)原來(lái)的label-feature表進(jìn)行修改，如果數(shù)據(jù)量小沒(méi)啥影響，就是麻煩點(diǎn)，但是數(shù)據(jù)量大的話需要每一次增加feature，和主鍵、label來(lái)join的操作都會(huì)很耗時(shí)，如果采取這種方式的話，我們可以對(duì)某些同一類(lèi)的特征做成一張表，數(shù)據(jù)存放的地址存為一個(gè)變量名，每次跑模型的時(shí)候想選取幾類(lèi)特征，就創(chuàng)建幾個(gè)reader，用reader decorator 組合起來(lái)，最后再shuffle灌倒模型里去訓(xùn)練。這！樣！是！不！是！很！方！便！

　　如果沒(méi)理解，我舉一個(gè)實(shí)例，假設(shè)我們要預(yù)測(cè)用戶(hù)是否會(huì)買(mǎi)車(chē)，label是買(mǎi)車(chē) or 不買(mǎi)車(chē)，feature有瀏覽車(chē)系、對(duì)比車(chē)系、關(guān)注車(chē)系的功能偏好等等20個(gè)，傳統(tǒng)的思維是做成這樣一張表：

　　如果想要減少feature_2,看看feature_2對(duì)模型的準(zhǔn)確率影響是否很大，那么我們需要在這張表里去掉這一列，想要增加一個(gè)feature的話，也需要在feature里增加一列，如果用reador decorator的話，我們可以這樣做數(shù)據(jù)集：

　　把相同類(lèi)型的feature放在一起，不用頻繁的join減少時(shí)間，一共做四個(gè)表，創(chuàng)建4個(gè)reador：

data = paddle.reader.shuffle(
            paddle.reader.compose(
                paddle.reader(table1(table1_path),buf_size = 100),
                paddle.reader(table2(table2_path),buf_size = 100),
                paddle.reader(table3(table3_path),buf_size = 100),
                paddle.reader(table4(table4_path),buf_size = 100),
            500)                    

　　如果新發(fā)現(xiàn)了一個(gè)特征，想嘗試這個(gè)特征對(duì)模型提高準(zhǔn)確率有沒(méi)有用，可以再單獨(dú)把這個(gè)特征數(shù)據(jù)提取出來(lái)，再增加一個(gè)reader，用reader decorator組合起來(lái)，shuffle后放入模型里跑就行了。

PaddlePaddle的數(shù)據(jù)預(yù)處理實(shí)例

　　還是以手寫(xiě)數(shù)字為例，對(duì)數(shù)據(jù)進(jìn)行處理后并劃分train和test，只需要4步即可：

1. 指定數(shù)據(jù)地址

 1 import paddle.v2.dataset.common
 2 import subprocess
 3 import numpy
 4 import platform
 5 __all__ = ['train', 'test', 'convert']
 6 
 7 URL_PREFIX = 'http://yann.lecun.com/exdb/mnist/'
 8 TEST_IMAGE_URL = URL_PREFIX + 't10k-images-idx3-ubyte.gz'
 9 TEST_IMAGE_MD5 = '9fb629c4189551a2d022fa330f9573f3'
10 TEST_LABEL_URL = URL_PREFIX + 't10k-labels-idx1-ubyte.gz'
11 TEST_LABEL_MD5 = 'ec29112dd5afa0611ce80d1b7f02629c'
12 TRAIN_IMAGE_URL = URL_PREFIX + 'train-images-idx3-ubyte.gz'
13 TRAIN_IMAGE_MD5 = 'f68b3c2dcbeaaa9fbdd348bbdeb94873'
14 TRAIN_LABEL_URL = URL_PREFIX + 'train-labels-idx1-ubyte.gz'
15 TRAIN_LABEL_MD5 = 'd53e105ee54ea40749a09fcbcd1e9432'

2. 創(chuàng)建reader creator

 1 def reader_creator(image_filename, label_filename, buffer_size):
 2     # 創(chuàng)建一個(gè)reader
 3     def reader():
 4         if platform.system() == 'Darwin':
 5             zcat_cmd = 'gzcat'
 6         elif platform.system() == 'Linux':
 7             zcat_cmd = 'zcat'
 8         else:
 9             raise NotImplementedError()
10 
11         m = subprocess.Popen([zcat_cmd, image_filename], stdout=subprocess.PIPE)
12         m.stdout.read(16)  
13 
14         l = subprocess.Popen([zcat_cmd, label_filename], stdout=subprocess.PIPE)
15         l.stdout.read(8)  
16 
17         try:  # reader could be break.
18             while True:
19                 labels = numpy.fromfile(
20                     l.stdout, 'ubyte', count=buffer_size).astype("int")
21 
22                 if labels.size != buffer_size:
23                     break  # numpy.fromfile returns empty slice after EOF.
24 
25                 images = numpy.fromfile(
26                     m.stdout, 'ubyte', count=buffer_size * 28 * 28).reshape(
27                         (buffer_size, 28 * 28)).astype('float32')
28 
29                 images = images / 255.0 * 2.0 - 1.0
30 
31                 for i in xrange(buffer_size):
32                     yield images[i, :], int(labels[i])
33         finally:
34             m.terminate()
35             l.terminate()
36 
37     return reader

3. 創(chuàng)建訓(xùn)練集和測(cè)試集

 1 def train():
 2     """
 3     創(chuàng)建mnsit的訓(xùn)練集 reader creator
 4     返回一個(gè)reador creator，每個(gè)reader里的樣本都是圖片的像素值，在區(qū)間[0,1]內(nèi)，label為0~9
 5     返回：training reader creator
 6     """
 7     return reader_creator(
 8         paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist',
 9                                           TRAIN_IMAGE_MD5),
10         paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist',
11                                           TRAIN_LABEL_MD5), 100)
12 
13 
14 def test():
15     """
16     創(chuàng)建mnsit的測(cè)試集 reader creator
17     返回一個(gè)reador creator，每個(gè)reader里的樣本都是圖片的像素值，在區(qū)間[0,1]內(nèi)，label為0~9
18     返回：testreader creator
19     """
20     return reader_creator(
21         paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist',
22                                           TEST_IMAGE_MD5),
23         paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist',
24                                           TEST_LABEL_MD5), 100)

4. 下載數(shù)據(jù)并轉(zhuǎn)換成相應(yīng)格式

 1 def fetch():
 2     paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist', TRAIN_IMAGE_MD5)
 3     paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
 4     paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist', TEST_IMAGE_MD5)
 5     paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
 6 
 7 
 8 def convert(path):
 9     """
10     將數(shù)據(jù)格式轉(zhuǎn)換為 recordio format
11     """
12     paddle.v2.dataset.common.convert(path, train(), 1000, "minist_train")
13     paddle.v2.dataset.common.convert(path, test(), 1000, "minist_test")

　　如果想換成自己的訓(xùn)練數(shù)據(jù)，只需要按照步驟改成自己的數(shù)據(jù)地址，創(chuàng)建相應(yīng)的reader creator（或者reader decorator）即可。

　　這是圖像的例子，如果我們想訓(xùn)練一個(gè)文本模型，做一個(gè)情感分析，這個(gè)時(shí)候如何處理數(shù)據(jù)呢？步驟也很簡(jiǎn)單。

　　假設(shè)我們有一堆數(shù)據(jù)，每一行為一條樣本，以 \t 分隔，第一列是類(lèi)別標(biāo)簽，第二列是輸入文本的內(nèi)容，文本內(nèi)容中的詞語(yǔ)以空格分隔。以下是兩條示例數(shù)據(jù)：

positive        今天終于試了自己理想的車(chē) 外觀太騷氣了 而且中控也很棒
negative       這臺(tái)車(chē)好貴 而且還費(fèi)油 性?xún)r(jià)比太低了

　　現(xiàn)在開(kāi)始做數(shù)據(jù)預(yù)處理

1. 創(chuàng)建reader

 1 def train_reader(data_dir, word_dict, label_dict):
 2     def reader():
 3         UNK_ID = word_dict["<UNK>"]
 4         word_col = 0
 5         lbl_col = 1
 6 
 7         for file_name in os.listdir(data_dir):
 8             with open(os.path.join(data_dir, file_name), "r") as f:
 9                 for line in f:
10                     line_split = line.strip().split("\t")
11                     word_ids = [
12                         word_dict.get(w, UNK_ID)
13                         for w in line_split[word_col].split()
14                     ]
15                     yield word_ids, label_dict[line_split[lbl_col]]
16 
17     return reader

　　返回類(lèi)型為： paddle.data_type.integer_value_sequence（詞語(yǔ)在字典的序號(hào)）和 paddle.data_type.integer_value（類(lèi)別標(biāo)簽）

2. 組合讀取方式

1 train_reader = paddle.batch(
2         paddle.reader.shuffle(
3             reader.train_reader(train_data_dir, word_dict, lbl_dict),
4             buf_size=1000),
5         batch_size=batch_size)

　　完整的代碼如下（加上了劃分train和test部分）：

 1 import os
 2 
 3 
 4 def train_reader(data_dir, word_dict, label_dict):
 5     """
 6    創(chuàng)建訓(xùn)練數(shù)據(jù)reader
 7     :param data_dir: 數(shù)據(jù)地址.
 8     :type data_dir: str
 9     :param word_dict: 詞典地址,
10         詞典里必須有 "UNK" .
11     :type word_dict:python dict
12     :param label_dict: label 字典的地址
13     :type label_dict: Python dict
14     """
15 
16     def reader():
17         UNK_ID = word_dict["<UNK>"]
18         word_col = 1
19         lbl_col = 0
20 
21         for file_name in os.listdir(data_dir):
22             with open(os.path.join(data_dir, file_name), "r") as f:
23                 for line in f:
24                     line_split = line.strip().split("\t")
25                     word_ids = [
26                         word_dict.get(w, UNK_ID)
27                         for w in line_split[word_col].split()
28                     ]
29                     yield word_ids, label_dict[line_split[lbl_col]]
30 
31     return reader
32 
33 
34 def test_reader(data_dir, word_dict):
35     """
36     創(chuàng)建測(cè)試數(shù)據(jù)reader
37     :param data_dir: 數(shù)據(jù)地址.
38     :type data_dir: str
39     :param word_dict: 詞典地址,
40         詞典里必須有 "UNK" .
41     :type word_dict:python dict
42     """
43 
44     def reader():
45         UNK_ID = word_dict["<UNK>"]
46         word_col = 1
47 
48         for file_name in os.listdir(data_dir):
49             with open(os.path.join(data_dir, file_name), "r") as f:
50                 for line in f:
51                     line_split = line.strip().split("\t")
52                     if len(line_split) < word_col: continue
53                     word_ids = [
54                         word_dict.get(w, UNK_ID)
55                         for w in line_split[word_col].split()
56                     ]
57                     yield word_ids, line_split[word_col]
58 
59     return reader

 總結(jié) 

　　這篇文章主要講了在paddlepaddle里如何加載自己的數(shù)據(jù)集，轉(zhuǎn)換成相應(yīng)的格式，并劃分train和test。我們?cè)谑褂靡粋€(gè)框架的時(shí)候通常會(huì)先去跑幾個(gè)簡(jiǎn)單的demo，但是如果不用常見(jiàn)的demo的數(shù)據(jù)，自己做一個(gè)實(shí)際的項(xiàng)目，完整的跑通一個(gè)模型，這才代表我們掌握了這個(gè)框架的基本應(yīng)用知識(shí)。跑一個(gè)模型第一步就是數(shù)據(jù)預(yù)處理，在paddlepaddle里，提供的方式非常簡(jiǎn)單，但是有很多優(yōu)點(diǎn)：

• 　　shuffle數(shù)據(jù)非常方便
• 　　可以將數(shù)據(jù)組合成batch訓(xùn)練
• 　　可以利用reader decorator來(lái)組合多個(gè)reader，提高組合特征運(yùn)行模型的效率
• 　　可以多線程讀取數(shù)據(jù)

　　而我之前使用過(guò)mxnet來(lái)訓(xùn)練車(chē)牌識(shí)別的模型，50w的圖片數(shù)據(jù)想要一次訓(xùn)練是非常慢的，這樣的話就有兩個(gè)解決方法：一是批量訓(xùn)練，這一點(diǎn)大多數(shù)的框架都會(huì)有， 二是轉(zhuǎn)換成mxnet特有的rec格式，提高讀取效率，可以通過(guò)im2rec.py將圖片轉(zhuǎn)換，比較麻煩，如果是tesnorflow，也有相對(duì)應(yīng)的特定格式tfrecord，這幾種方式各有優(yōu)劣，從易用性上，paddlepaddle是比較簡(jiǎn)單的。

　　這篇文章沒(méi)有與上篇銜接起來(lái)，因?yàn)榭吹接泻脦追忄]件都有問(wèn)怎么自己加載數(shù)據(jù)訓(xùn)練，所以就決定插入一節(jié)先把這個(gè)寫(xiě)了。下篇文章我們接著講CNN的進(jìn)階知識(shí)。下周見(jiàn)^_^!

參考文章：

1.官網(wǎng)說(shuō)明：

http://doc.paddlepaddle.org/develop/doc_cn/getstarted/concepts/use_concepts_cn.html